广义方向拉普拉斯分布:估计,混合模型和音频源分离
提出了一种名为 ECA 的学习流程,基于低阶矩的光谱分解,它可以恢复多种混合模型的参数,并在仅使用三元统计时正确恢复主题概率向量和主题优先级,因此具有可扩展性。
Apr, 2012
本文提出了一种新的多类别线性判别分析 GO-LDA 方法,通过构造每个步骤中最大化 Fisher 准则的正交鉴别方向可以分离投影数据。该方法在多种模式识别和分类问题上都能提高准确性。
May, 2023
我们提出了一种新的非参数建模方法 LDGD,利用高斯过程(GP)将高维数据映射到潜在的低维流形,通过推断潜变量来有效捕捉数据中的不确定性,提高了模型的预测准确性和鲁棒性。LDGD 不仅能准确地推断流形,而且在预测标签方面的准确性也超过了现有的方法。我们还通过引入诱导点来降低大型数据集中高斯过程(GP)的计算复杂度,实现了批处理训练,提高了处理大规模数据集的效率和可扩展性。此外,我们证明了 LDGD 在预测有限的训练数据标签方面的较高准确性,突显了它在数据可用性受限的场景中的效率和有效性。这些特点为高维数据分析中非参数建模方法的发展奠定了基础,特别是对于高维且复杂的数据领域。
Jan, 2024
本文提出了一种名为标签分布学习的新型学习范式,旨在解决标签重要性分布的问题。文章提出了六种工作 LDL 算法,并选择了六种代表性和多样化的评估措施,比较了这些算法的性能。实验结果表明,算法设计对 LDL 问题的特征非常重要,实现了性能上明显的优越性。
Aug, 2014
提出了一种使用本地方向分散 (LoDD) 方法来检测边界点的鲁棒且高效的方法,该方法在非凸结构和高维流形中能够准确地识别边界点,并在多个数据集上展示了良好的聚类性能。
Dec, 2023
本篇论文介绍了一种基于调和均值的线性判别分析方法 -- 多类别判别分析,用于图像分类以及多标签的降维。实验结果表明,MCDA 在分类准确率、宏 F1 score 和微 F1 score 等方面优于其他单标签和多标签方法。
Oct, 2016
这篇文章介绍了 $LU$ 和 $LDL^H$ 分解的修改方法,以更有效地直接对非 - Hermitian 和 Hermitian DPP 核进行抽样,并证明在高性能的稠密和稀疏直接分解的动态调度、共享内存并行化方面,也可以轻松修改以产生基本相同性能的 DPP 抽样方案,而 Catamari 则发布了相关软件。
May, 2019
本研究提出了一种新的生成模型 LED,它不仅可以高效地生成样本,还可以进行高效的密度估计,并通过最大化判别器输出的对数似然来鼓励生成数据的多样性,同时构建一个流式生成器,在保持良好的生成质量的同时,可以计算生成样本的准确概率。
Jun, 2022
针对深度离散潜变量模型中的梯度计算和步长适应问题,本论文提出了利用数据增广和边缘化技术,得到分块对角 Fisher 信息矩阵及其逆的深度潜在狄利克雷分配表示,并利用该矩阵和随机梯度马尔科夫链蒙特卡罗方法,提出了主题 - 层适应性的随机梯度里曼蒙特卡罗方法,可全局学习所有层和主题的全局参数,实现了在大数据集上的最新成果。
Jun, 2017
我们提出了离散 Langevin proposal (DLP) 算法,这是一种针对复杂高维离散分布的简单且可扩展的基于梯度的采样算法,相比于基于 Gibbs 采样的方法,DLP 可以同时并行地更新所有坐标,通过步长控制变化的大小,使在高维空间中强相关变量之间的探索更加廉价和高效,在测试中证明了 DLP 的有效性。
Jun, 2022